/ Модель

Характеристики

Лицензия
MIT
Архитектура
ppo-actor-mujoco-reacher · dense
Опубликована
19 окт 2026

rl-mujoco-reacher-ppo

Обучение с подкреплением

Политика PPO управляет двухзвенной рукой в MuJoCo Reacher-v5, приближая её кончик к заданной цели.

29скачиваний за 30 дней0лайковвеса обновлены19 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это политика управления для среды MuJoCo Reacher-v5, созданная как портфолио-проект для демонстрации навыков в интеллектуальной робототехнике и манипуляции. Разработчик обучил актор методом PPO с использованием stable-baselines3 для управления плоской роботизированной рукой с двумя степенями свободы.

Модель принимает 10-мерное наблюдение: углы суставов, положение цели, угловые скорости и вектор от кончика руки до цели. Она выдаёт два непрерывных управляющих воздействия — крутящие моменты суставов в диапазоне от −1 до 1. Предназначена для симуляционного управления рукой, которая должна достичь случайно расположенной цели; эпизод длится 50 шагов. Репозиторий предоставляет лёгкий интерфейс загрузки и запуска политики на PyTorch, NumPy и Gymnasium.

В 50 детерминированных оценочных эпизодах средняя награда составила −7,66, а цель достигалась в пределах 0,05 м в конце эпизода в 8% случаев; случайный базовый вариант показал −42,49 и 4% соответственно. Это простой полностью наблюдаемый бенчмарк с плоской двухзвенной рукой и искусственно заданной наградой. Модель рассчитана только на симуляцию и не демонстрирует перенос на реального робота. Лицензия — MIT.

Сценарии применения

  • управление двухзвенной рукой в MuJoCo Reacher-v5
  • обучение и демонстрация PPO для непрерывного управления
  • оценка алгоритмов достижения цели в симуляции
  • сравнение политики управления со случайным базовым вариантом

Ограничения

Это простой симуляционный бенчмарк с полностью наблюдаемым состоянием и плоской рукой с двумя степенями свободы; в оценке цель достигалась в конце эпизода в 8% случаев. Перенос на реальное оборудование не заявлен.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PPO Policy — MuJoCo Reacher-v5 (rl-mujoco-reacher-ppo)

A PPO (stable-baselines3) actor trained to swing a 2-DOF planar robotic arm so its fingertip reaches a randomly placed target — the canonical continuous-control manipulation benchmark (gymnasium MuJoCo Reacher-v5).

Environment

  • Observation (10-dim): cos/sin of both joint angles, target xy position, joint angular velocities, fingertip-to-target vector.
  • Action (2-dim, continuous): joint torques in [-1, 1].
  • Reward (dense): -||fingertip - target|| - control_cost * sum(a^2); 50 steps per episode.

Results (50 deterministic eval episodes, fixed seeds)

PolicyMean episode returnSuccess rate (final dist < 0.05 m)
PPO (this model)-7.66 ± 2.418%
Random baseline-42.49 ± 3.674%

Mean final fingertip-to-target distance: 0.1324 m; reaching diagnostic (fingertip within 0.05 m at some point in the episode): 62% of episodes.

Usage

model.py is dependency-light (torch + numpy + gymnasium only — no stable-baselines3 needed):

from model import load_policy, rollout

policy = load_policy("pytorch_policy.bin")   # or "ppo_reacher.zip" (needs SB3)
frames, episode_return, final_distance = rollout(policy, seed=0)
print(episode_return, final_distance)

The deterministic action is the Gaussian mean of the SB3 actor clipped to [-1, 1] — exactly SB3 predict(deterministic=True). No observation normalization was used in training.

Training details

  • PPO: lr 3e-4, n_steps 2048 x4 envs, batch 64, 10 epochs, gamma 0.99, GAE lambda 0.95, clip 0.2; MLP [64, 64] tanh; 200,000 timesteps on CPU, seed 0.
  • Full reproducible pipeline (training, evaluation, rollout rendering): see the project repository.

Limitations

  • Reacher is a toy 2-DOF planar arm with a fully observed state and a hand-shaped dense reward — not contact-rich or partially observed manipulation.
  • Simulation only: no sim-to-real claim; MuJoCo actuator/contact modelling gaps would dominate on hardware.

Built as a portfolio project for graduate applications in intelligent robotics / manipulation (mechanical engineering x AI).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
936d6cc

0 моделей